基于自适应池化的弱监督语义分割

发布时间：2022-11-11 22:50

　　在计算机视觉领域,图像语义分割一直是及其重要的分支,在深度学习的热潮下,图像语义分割也得到了巨大的发展。然而,目前取得优秀效果的分割网络,都是需要像素级别的语义标签。在实际情况中,获得像素级标注需要高昂的成本。因此,越来越多的研究人员开始研究采用弱监督标签信息来进行图像语义分割任务。本课题的研究方向就是基于图像类别标签下的语义分割任务,目前提出的大多数方法都是利用训练好的分类网络获取到目标物体的显著性区域,根据其为线索,生成用以训练分割网络的监督信息,得到最终的预测结果。因此,显著性区域的质量成为了弱监督语义分割任务最终分割果准确性的瓶颈。但是由于分类网络中使用全局平均池化操作,该操作本身的性质,假设不同位置的特征向量对全局表示的贡献均相等,忽略了局部特征对全局表示的贡献的差异,会导致获得的显著性区域不精准,从而影响最终的结果。在本文中,我们提出了一个轻量级的自适应池化模块,该模块通过自适应地重新缩放高级特征图中不同位置的贡献权重,来对整个图像分类训练中进行分类预测,从而帮助分类网络产生高质量显著性图。通过在具有挑战性的PASCAL VOC 2012语义分割数据集上进行训练与评测,我们... 

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景及研究的目的和意义
    1.2 课题相关领域国内外研究现状
        1.2.1 传统图像分割
        1.2.2 基于深度学习图像分割
    1.3 本文的主要研究内容
    1.4 本文的组织结构
第2章 基于类别标签的弱监督语义分割
    2.1 引言
    2.2 深度卷积分类网络
    2.3 深度卷积网络结构
    2.4 CLASS ACTIVATION MAP
    2.5 AFFINITY NET
    2.6 本章小结
第3章 基于自适应池化的弱监督语义分割
    3.1 引言
    3.2 算法动机
    3.3 模型结构
    3.4 分类与分割网络
    3.5 本章小结
第4章 实验结果与分析
    4.1 引言
    4.2 实验条件介绍
        4.2.1 实验数据集
        4.2.2 实验设置
        4.2.3 评价指标
    4.3 实验结果对比
    4.4 中间结果分析
    4.5 本章小结
结论
参考文献
致谢



本文编号：3705893